Gemini API режет документы и видео на куски и берёт деньги только за них

Как отправить в Gemini только нужные страницы, листы и минуты и сколько это экономит.

Обложка: Gemini API режет документы и видео на куски и берёт деньги только за них

Google 18 ноября дала разработчикам в Gemini API возможность «нарезать» файлы: из PDF, документа Word или презентации можно отправить модели только выбранные страницы, из таблицы Excel — конкретный лист и диапазон ячеек, из видео и аудио — отрезок по времени. Вдобавок можно выбрать слой содержимого: картинки страниц, извлечённый текст, формулы, кадры, звук или расшифровку. Токены, а значит и деньги, считаются только за отправленный кусок.

Для тех, кто строит RAG и агентов над офисными документами, это прямая экономия и меньше кода. Раньше, чтобы показать модели пять страниц из отчёта на 300 страниц, приходилось самому резать PDF или конвертировать документ в текст. Теперь файл загружается один раз через Files API, а нужный фрагмент описывается в запросе. Та же нарезка работает и в ответах функций, поэтому агент может сам «листать» документ по частям.

Ключевые выводы
  • Новый параметр processing у блоков document, video и audio задаёт страницы, лист и ячейки, временной отрезок и слои содержимого; работает на всех моделях Gemini 3 и Gemini 4+.
  • Оплачиваются только выбранные страницы, листы, отрезки и слои; модель при этом видит общее число страниц и названия листов.
  • Страница стоит около 280, 560 или 1 120 токенов при разрешении low, medium (по умолчанию) или high; 300 страниц на medium — около 168 тыс. токенов.
  • Ограничения файла прежние и считаются по всему файлу: до 50 МБ, до 1 000 страниц PDF, до 2 000 страниц или слайдов Office, до 50 тыс. ячеек на лист.
  • Поддержка DOCX, PPTX и XLSX появилась раньше: 18 ноября Google объявила её вместе с нарезкой, а 5 ноября добавила PPT, ODP и ODS.

Что нового, а что было и раньше?

В записи журнала изменений от 18 ноября Google пишет, что «теперь можно» передавать файлы Microsoft Office и OpenDocument напрямую. Но по тому же журналу поддержка Office появилась раньше: 5 ноября Google добавила форматы PPT, ODP и ODS, а для DOCX, DOTX, ODT, PPTX, XLSX и XLS обработка тогда, по её словам, «не изменилась». В тот же день ответы функций научились возвращать модели Office-файлы, аудио и видео. По-настоящему новое 18 ноября — нарезка и выбор слоёв.

Сейчас Gemini API принимает десять офисных форматов: документы .docx, .doc, .dotx, .odt, презентации .pptx, .ppt, .odp и таблицы .xlsx, .xls, .ods. Передаются они так же, как PDF: блоком типа document с соответствующим MIME-типом, inline или через Files API. TXT, Markdown, HTML и XML по-прежнему читаются как простой текст, без вёрстки и графиков.

Если параметр processing не указан, файл обрабатывается целиком, и поведение зависит от поколения модели:

Как Gemini читает офисные файлы без настроек

4 сервиса, 3 столбца
Как Gemini читает офисные файлы без настроек
ФорматGemini 4 и новееGemini 3 и 2.5
.docx, .dotx, .odt, .pptxКартинки страниц или слайдов, около 560 токенов на страницуИзвлечённый текст и вложенные изображения
.doc, .ppt, .odpКартинки страниц или слайдов, около 560 токенов на страницуКартинки страниц или слайдов
.xlsx, .xlsВсе листы: значения, формулы, названия листовВсе листы как CSV, только значения
.odsВсе листы: значения, формулы, названия листовВсе листы: значения, формулы, названия листов
Листайте столбцы →Смахните влевоВсе 3 столбца
Источник: документация Gemini API, раздел Office and OpenDocument files

Отсюда практический вывод, который легко пропустить: при переходе на Gemini 4 документ Word по умолчанию начинает читаться как набор картинок страниц, а не как текст. Для длинных документов это заметно больше токенов, и как раз здесь нарезка и выбор слоя помогают.

Как вырезать страницы, листы и ячейки?

Нарезка задаётся объектом processing с типом static прямо в блоке файла (документация). Для PDF, документов и презентаций используется page_options (раздел о страницах):

  • start_page и end_page — диапазон страниц, нумерация с 1, обе границы включительно. Ноль или отрицательное число дают ошибку 400 INVALID_ARGUMENT, начало за пределами документа даёт пустой срез, а слишком большой конец обрезается до последней страницы.
  • content_layers — что отдать модели: page_image (картинка страницы), page_text (извлечённый текст) или оба слоя. Если processing задан, по умолчанию берётся только картинка.
  • resolution во внешнем блоке — low, medium или high: около 280, 560 или 1 120 токенов на страницу.

Пример из документации, переведённый редакцией: модель получает только страницы с 3 по 7 отчёта в высоком разрешении.

			from google import genai

client = genai.Client()
doc = client.files.upload(file="quarterly_report.pdf")

interaction = client.interactions.create(
    model="gemini-4-hydrogen",
    input=[
        {
            "type": "document",
            "uri": doc.uri,
            "mime_type": "application/pdf",
            "resolution": "high",
            "processing": {
                "type": "static",
                "page_options": {
                    "start_page": 3,
                    "end_page": 7,
                    "content_layers": ["page_image"],
                },
            },
        },
        {"type": "text", "text": "Разбери график и сноски на страницах 3-7."},
    ],
)
print(interaction.output_text)
		

Google сама советует двухпроходную схему для больших документов и презентаций: сначала прочитать файл слоем page_text, а затем запросить page_image в высоком разрешении только для страниц с графиками или плотной вёрсткой.

Для таблиц .xlsx, .xls и .ods есть spreadsheet_options (раздел о таблицах). sheet_index выбирает лист по порядку вкладок, начиная с 1; без него читаются все листы, до 50 тыс. ячеек на каждом. visible_cells принимает диапазон в нотации A1, например A1:G40. Слоёв три: data (вычисленные значения), formulas (исходные формулы) и visual (снимок листа с графиками и оформлением); по умолчанию берутся первые два. Так выглядит блок для проверки формул и графика на втором листе:

			{
  "type": "document",
  "uri": "https://generativelanguage.googleapis.com/v1beta/files/WORKBOOK_FILE_ID",
  "mime_type": "application/vnd.openxmlformats-officedocument.spreadsheetml.sheet",
  "resolution": "high",
  "processing": {
    "type": "static",
    "spreadsheet_options": {
      "sheet_index": 2,
      "visible_cells": "A1:H50",
      "content_layers": ["data", "formulas", "visual"]
    }
  }
}
		

Как это работает с видео и аудио?

Для видео в режиме static задаются start_offset и end_offset строками с секундами, например "1200s" или "10.5s", частота кадров fps от 0 (не включая) до 24 и слои content_layers (документация по видео). Слоёв три: frames — кадры, оплачиваются по разрешению и частоте; audio — звуковая дорожка по аудиотарифу; transcript — расшифровка с таймкодами, оплачивается как текст. По умолчанию берутся кадры и звук.

Документация предлагает для длинных роликов сначала запросить только расшифровку, найти по ней нужные таймкоды, а потом отправить этот отрезок с кадрами. Второй шаг из примера Google: 45 секунд записи доклада с частотой 2 кадра в секунду, без звука.

			{
  "type": "video",
  "uri": "https://generativelanguage.googleapis.com/v1beta/files/VIDEO_FILE_ID",
  "mime_type": "video/mp4",
  "processing": {
    "type": "static",
    "start_offset": "420s",
    "end_offset": "465s",
    "fps": 2.0,
    "content_layers": ["frames"]
  }
}
		

Для аудио всё проще: в блоке audio задаются только start_offset и end_offset, и оплачивается только вырезанная длительность (документация по аудио). Начало за пределами записи даёт ошибку 400, конец обрезается до длины файла. Аудио по-прежнему стоит 32 токена в секунду, то есть 1 920 токенов в минуту, а в одном запросе можно передать до 9,5 часа звука.

Нарезку видео не стоит путать с агентным режимом, который поддерживают Gemini 4 Carbon, Gemini 4 Argon, 3.8 Flash, 3.6 Flash и 3.5 Flash-Lite. В агентном режиме модель сама решает, какие кадры и куски расшифровки загрузить, и, по оценке Google, тратит на длинных роликах до 88% меньше токенов. Нарезка в режиме static — ручное управление: отрезок выбирает разработчик, и счёт предсказуем заранее.

Зачем нарезка в ответах функций?

Самое интересное для агентов — что те же параметры работают внутри function_result (документация по вызову функций). Инструмент агента может вернуть не весь файл, а запрошенные страницы, диапазон ячеек или отрезок видео. Модель автоматически получает метаданные файла — общее число страниц и названия листов — и может на следующем шаге попросить другой диапазон.

В примере Google разработчик объявляет функцию inspect_document_pages с параметрами start_page и end_page. Модель вызывает её, а код в ответ отдаёт тот же PDF из Files API с page_options, собранными из аргументов вызова. Получается «пагинация» по документу, которой управляет сама модель: ей не нужно держать в контексте весь файл, чтобы найти нужный раздел.

Сколько это экономит на деле?

Google обещает, что с параметрами processing токены считаются и оплачиваются только за выбранные страницы, листы и слои. Посчитаем на примере. Отчёт на 300 страниц в разрешении medium по умолчанию — около 560 токенов на страницу, или около 168 тыс. токенов. При цене ввода Gemini 4 Hydrogen $1,5 за 1 млн токенов это около $0,25 за каждый запрос с полным документом. Пять нужных страниц — около 2 800 токенов, то есть меньше полуцента. Если же агент обращается к документу десятки раз за сессию, разница становится заметной.

Для видео ориентиры такие: в режиме static около 100 токенов на секунду при разрешении по умолчанию и около 300 при высоком (технические детали). Час записи — порядка 360 тыс. токенов, пятиминутный отрезок — около 30 тыс. Это расчёт редакции по документации; реальное число зависит от разрешения, частоты кадров и выбранных слоёв.

Есть и оговорки. Лимиты по размеру применяются ко всему загруженному файлу, даже если нужен один лист: до 50 МБ на файл, до 1 000 страниц на PDF и до 2 000 страниц или слайдов на офисный файл. Страницы рендерятся в картинки около 2 мегапикселей (288 DPI), и разрешение исходника на цену не влияет. А для моделей Gemini 2.5 Google указывает фиксированные 258 токенов на страницу; нарезка, по документации, работает только на Gemini 3 и новее.

Что сделать, чтобы попробовать?

  1. Проверить доступ: Gemini API официально не поддерживается в России, её нет в списке регионов.
  2. Загрузить большой файл через Files API один раз и дальше ссылаться на его URI с разными параметрами processing, а не пересылать файл inline.
  3. Для длинных документов сначала прочитать их слоем page_text, а page_image в высоком разрешении запрашивать только для страниц с графиками.
  4. Для таблиц явно указывать sheet_index и visible_cells: без них модель получает все листы.
  5. При переходе с Gemini 3 на Gemini 4 проверить расход токенов на DOCX и PPTX: по умолчанию они теперь читаются картинками страниц.
  6. В агентах вернуть из инструмента файл с page_options вместо целого документа и дать модели самой запрашивать следующие страницы.

Google не уточнила, будут ли нарезка и выбор слоёв перенесены в старый метод generateContent: все примеры в документации написаны для Interactions API. Неделей раньше компания вывела в общий доступ Gemini 4 Hydrogen — на ней построены все примеры документации к новой функции. Про другие способы работы с видеозаписями мы писали в обзоре инструментов расшифровки.

Источники: Gemini API: журнал изменений, 18 ноября 2026, Document understanding: Customize processing, Video understanding: Customize video processing, Audio understanding: Clip audio intervals, Function calling: Slice and inspect files